CN107798409A - 一种基于时间序列模型的人群聚集预测方法 - Google Patents

Abstract

本发明涉及一种基于时间序列模型的人群聚集预测方法，具体步骤如下：(1)建立含目标字段的数据表，具体步骤为：(i)获取原始的数据表；(i i)提取主要的研究字段的数据；(2)预处理数据；(3)辨识模型结构；(4)模型检验；(5)模型比较；(6)模型使用；(7)模型更新：由于收到其他因素的影响，人流量随时间的变化趋势可能会改变，所以每隔一段时间，模型更新一次。(8)利用最终预测结果进行预警：将得出的预测结果与历史最高人数进行对比，针对超过历史人数的60％，80％，100％的情况，分别进行预警。本发明方法能够有效地降低成本，降低研究维度，节约时间，保证数据准确，提高准确性。

Description

一种基于时间序列模型的人群聚集预测方法

技术领域

本发明涉及一种基于时间序列模型的人群聚集预测方法，属于安防技术领域。

背景技术

我国人口众多，人口稠密，流动性大。由于经济迅速提升，文化教育程度越来越好，商业城区的规模不断扩大，重大文体活动、节假日集会等活动增多，娱乐设施不段增多，所以越来越多的人在各个地区购物、餐饮、休闲娱乐，参加各种社会公众活动或文体活动等。但在这人山人海、热闹的氛围的背后隐藏着巨大问题。近年来，发生在国内外的由于人群聚集发生的多起的人员拥挤踩踏事故成不断上升的趋势，这已成为公共安全问题的热点之一，引起了公众的关注。

不同地区的人群聚集的规模各不相同。而且随着时间的变化、城市规模和人口数的增加，人群聚集规模也逐步发生变化。以往国内对人群聚集场所安全问题的研究主要集中在建筑疏散方面,重点研究发生事故时人群紧急疏散问题，这些研究固然重要，但是防患于未然也是我们现在紧需做的事。近年来，对数字图像处理，运动目标检测，实时背景更新等技术做了研究，通过人工调查，数字图像处理、图像智能监控等方式进行监控及预测，但这些方式也都会在成本、时间等方面存在一定的缺陷。而且仅是在重大活动之前的较短时间内预测人流量或者是实时监测，不能为准备留出充分的时间。因此急需在成本不高，保证数据准确前提下，提出在活动之前的进行人流量预测的系统，将系统仿真分析结果提供给交警部门、城市规划部门、信息服务部门等使用对象，为其管理活动，出行服务等工作提供数据支撑。

以往国内对人群聚集场所安全问题的研究主要集中在建筑疏散方面,重点研究发生事故时人群紧急疏散问题。近年来，通过人工调查，数字图像处理、图像智能监控等方式，进行检测，但这些方式也都会在成本、时间等方面存在一定的缺陷。

(1)人工调查方式成本比较高，耗时长，耗费大量的资源。

(2)数字图像处理，图像智能监控智能识别的方式处理的数据量大，处理维度高，处理时间长，处理繁琐。

(3)图像智能监控方式进行短时人群聚集预测，不能为事前采取措施准备充足的时间。

(4)这些方法不能预测未来较长时间的人流量的变化。

发明内容

本发明的目的在于提供一种基于时间序列模型的人群聚集预测方法，以便能降低成本，降低研究维度，节约时间，保证数据准确，提高准确性。

为了实现上述目的，本发明的技术方案如下。

一种基于时间序列模型的人群聚集预测方法，具体步骤如下：

(1)建立含目标字段的数据表，具体步骤为：(i)获取原始的数据表；(ii)提取主要的研究字段的数据，这些数据包括日期、具体时间、地点、活动、人流量；

(2)预处理数据：对于获取的数据，通过数据时间序列图、自相函数等方式检验人流量数据的均值、方差是否随时间的变化的而变化，若不变，进行下一步；若变化，进行一阶差分处理或者多阶差分处理或者取对数等方式处理，将数据处理成平稳的时间序列，即将数据处理成均值和方差都不变的数据；

(3)辨识模型结构：利用样本的相关函数，偏自相关函数等来判断选取一个或几个满足条件的模型，基本模型的基本结构为：

AR(p)：x_t＝φ₀+φ₁x_t-1+φ₂x_t-2+...+φ_px_t-p+a_t

MA(q)：x_t＝c₀+(1-θ₁B-θ₂B²-...-θ_pB^q)a_t

ARMA(p,q)：(1-φ₁B-φ₂B²-...-φ_pB^p)x_t＝φ₀+(1-θ₁B-θ₂B²-...-θ_qB^q)

其中x_t是时间序列，φ₀为常数项，φ₁,φ₂...,φ_p为自回归系数，是待估参数，a_t是相互独立，且服从均值为0，方差为σ²的正态分布；c₀为常数项，θ₁,θ₂...,θ^q是移动平均系数，是待估参数；B^k为k步滞后算子，B^kx_t＝x_t-k；

通过样本的相关函数，偏相关函数等方法判断模型结构为上述基本结构或者基本结构的变形，如含有季节性趋势，则需加上季节模型结构；

(4)模型检验：对于选出的基本模型，进行残差检验，若残差在很小的范围内波动，且是随机波动，自相关函数在指定的范围内，Ling-Box统计量P值足够大，则模型满足条件，进行下一步；若不满足条件，则舍去该模型。

(5)模型比较：对于选出的几个满足条件的模型，比较赤池信息AIC或者调整的R方，选取AIC小、调整的R方大的模型，作为最后使用的模型。

(6)模型使用：利用模型进行预测，对于给定预测时间段和地点，根据历史数据，使用选出来的模型进行预测。

(7)模型更新：由于收到其他因素的影响，人流量随时间的变化趋势可能会改变，所以每隔一段时间，模型更新一次。

(8)利用最终预测结果进行预警：将得出的预测结果与历史最高人数进行对比，针对超过历史人数的60％，80％，100％的情况，分别进行预警。

该发明的有益效果在于：本发明方法能够有效地降低成本，降低研究维度，节约时间，保证数据准确，提高准确性。

附图说明

图1是本发明实施例中所使用方法的流程示意图。

具体实施方式

下面结合附图和实施例对本发明的具体实施方式进行描述，以便更好的理解本发明。

实施例

如图1所示的基于时间序列模型的人群聚集预测方法，具体步骤如下：

(1)建立含目标字段的数据表，具体步骤为：(i)获取原始的数据表；(ii)提取主要的研究字段的数据，这些数据包括日期、具体时间、地点、活动、人流量；

(2)预处理数据：对于获取的数据，通过数据时间序列图、自相函数等方式检验人流量数据的均值、方差是否随时间的变化的而变化，若不变，进行下一步；若变化，进行一阶差分处理或者多阶差分处理或者取对数等方式处理，将数据处理成平稳的时间序列，即将数据处理成均值和方差都不变的数据；

(3)辨识模型结构：利用样本的相关函数，偏自相关函数等来判断选取一个或几个满足条件的模型，基本模型的基本结构为：

AR(p)：x_t＝φ₀+φ₁x_t-1+φ₂x_t-2+...+φ_px_t-p+a_t

MA(q)：x_t＝c₀+(1-θ₁B-θ₂B²-...-θ_pB^q)a_t

ARMA(p,q)：(1-φ₁B-φ₂B²-...-φ_pB^p)x_t＝φ₀+(1-θ₁B-θ₂B²-...-θ_qB^q)

其中x_t是时间序列，φ₀为常数项，φ₁,φ₂...,φ_p为自回归系数，是待估参数，a_t是相互独立，且服从均值为0，方差为σ²的正态分布；c₀为常数项，θ₁,θ₂...,θ^q是移动平均系数，是待估参数；B^k为k步滞后算子，B^kx_t＝x_t-k；

通过样本的相关函数，偏相关函数等方法判断模型结构为上述基本结构或者基本结构的变形，如含有季节性趋势，则需加上季节模型结构；

(4)模型检验：对于选出的基本模型，进行残差检验，若残差在很小的范围内波动，且是随机波动，自相关函数在指定的范围内，Ling-Box统计量P值足够大，则模型满足条件，进行下一步；若不满足条件，则舍去该模型。

(5)模型比较：对于选出的几个满足条件的模型，比较赤池信息AIC或者调整的R方，选取AIC小、调整的R方大的模型，作为最后使用的模型。

(6)模型使用：利用模型进行预测，对于给定预测时间段和地点，根据历史数据，使用选出来的模型进行预测。

(7)模型更新：由于收到其他因素的影响，人流量随时间的变化趋势可能会改变，所以每隔一段时间，模型更新一次。

(8)利用最终预测结果进行预警：将得出的预测结果与历史最高人数进行对比针对超过历史人数的60％，80％，100％的情况，分别进行预警。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (1)

1.一种基于时间序列模型的人群聚集预测方法，其特征在于：具体步骤如下：

(1)建立含目标字段的数据表，具体步骤为：(i)获取原始的数据表；(ii)提取主要的研究字段的数据，这些数据包括日期、具体时间、地点、活动、人流量；

(2)预处理数据：对于获取的数据，通过数据时间序列图、自相函数等方式检验人流量数据的均值、方差是否随时间的变化的而变化，若不变，进行下一步；若变化，进行一阶差分处理或者多阶差分处理或者取对数等方式处理，将数据处理成平稳的时间序列，即将数据处理成均值和方差都不变的数据；

(3)辨识模型结构：利用样本的相关函数，偏自相关函数等来判断选取一个或几个满足条件的模型，基本模型的基本结构为：

AR(p)：x_t＝φ₀+φ₁x_t-1+φ₂x_t-2+...+φ_px_t-p+a_t

MA(q)：x_t＝c₀+(1-θ₁B-θ₂B²-...-θ_pB^q)a_t

ARMA(p,q)：(1-φ₁B-φ₂B²-...-φ_pB^p)x_t＝φ₀+(1-θ₁B-θ₂B²-...-θ_qB^q)

其中x_t是时间序列，φ₀为常数项，φ₁,φ₂...,φ_p为自回归系数，是待估参数，a_t是相互独立，且服从均值为0，方差为σ²的正态分布；c₀为常数项，θ₁,θ₂...,θ^q是移动平均系数，是待估参数；B^k为k步滞后算子，B^kx_t＝x_t-k；

通过样本的相关函数，偏相关函数等方法判断模型结构为上述基本结构或者基本结构的变形，如含有季节性趋势，则需加上季节模型结构；

(4)模型检验：对于选出的基本模型，进行残差检验，若残差在很小的范围内波动，且是随机波动，自相关函数在指定的范围内，Ling-Box统计量P值足够大，则模型满足条件，进行下一步；若不满足条件，则舍去该模型；

(5)模型比较：对于选出的几个满足条件的模型，比较赤池信息AIC或者调整的R方，选取AIC小、调整的R方大的模型，作为最后使用的模型；

(6)模型使用：利用模型进行预测，对于给定预测时间段和地点，根据历史数据，使用选出来的模型进行预测；

(7)模型更新：由于收到其他因素的影响，人流量随时间的变化趋势可能会改变，所以每隔一段时间，模型更新一次；

(8)利用最终预测结果进行预警：将得出的预测结果与历史最高人数进行对比，针对超过历史人数的60％，80％，100％的情况，分别进行预警。